1. 提高差分隐私机制的效率和准确性,降低隐私保护对模型性能的影响。 2. 研究差分隐私的组合和聚合算法,以提供更好的隐私保护和模型效果。 3. 结合其他隐私保护方法,例如同态加密和安全计算,构建更加健壮的联邦学习隐私保护框架。 在保护个人隐私的同时,基于差分隐私的联邦学习方法将为各个领域的数据合作和共享提供新...
针对该问题,本文研究了差分隐私相关算法,并根据本地化差分隐私的一些特性,将本地化差分隐私应用到联邦学习中.然后,本文提出了一种新的基于本地化差分隐私的联邦学习算法——GR-FedAvg算法:基于本地化差分隐私理论,GR-FedAvg算法是在本地对Trainer端(用户端)即将要向Server端(数据收集端)传递的模型参数进行二进制...
Finally, the effectiveness of proposed LDP-FL approach was verified by comparative experiments on MNIST and Fashion MNIST datasets.康海燕冀源蕊Journal on Communication / Tongxin Xuebao
摘要 联邦学习作为一种协作式机器学习方法,允许用户通过共享模型而不是原始数据进行多方模型训练,在实现隐私保护的同时充分利用用户数据,然而攻击者仍有可能通过窃听联邦学习参与方共享模型来窃取用户信息。为了解决联邦学习训练过程中存在...展开更多 As a type of collaborative machine learning framework,federated ...
1.隐私与模型准确性之间的权衡:引入噪声保护隐私会对模型的准确性造成一定的影响,需要在隐私保护和模型性能之间进行权衡。 2.隐私保护和计算开销:差分隐私需要在数据计算过程中引入额外的计算开销,会增加训练和聚合的时间成本。 五、结论与展望 基于差分隐私的联邦学习隐私保护方法是当前研究的热点领域。随着隐私保护需求...
并提出了一种自适应差分隐私的防御方案.本文的主要研究内容如下: (1)深入研究联邦学习中由梯度共享导致隐私泄露的攻击.首先通过数学推导验证了浅层神经网络和浅层卷积神经网络的梯度可以反推出原始训练数据,并在MNIST数据集上实现了该攻击.然后,本文研究了一种针对深层神经网络的梯度泄露攻击,该攻击通过减小虚假数据梯度...
基于本地化差分隐私的联邦学习方法研究 联邦学习作为一种协作式机器学习方法,允许用户通过共享模型而不是原始数据进行多方模型训练,在实现隐私保护的同时充分利用用户数据,然而攻击者仍有可能通过窃听联邦学... 康海燕,冀源蕊 - 《通信学报》 被引量: 0发表: 2022年 基于实例的联邦迁移学习方法及其差分隐私保护研究 ...
参与方根据实例相似度对本地数据进行加权训练,实现基于实例的联邦迁移学习.使用XGBoost梯度提升树模型实现IS-FTL方法,实验表明,IS-FTL可以提升联邦模型预测精度.(2)针对IS-FTL方法在隐私保护方面的不足,结合树模型隐私保护的要点,提出一种基于差分隐私保护的联邦迁移学习方法(DPFTL).针对隐私泄露问题,使用差分隐私保护...
参与方根据实例相似度对本地数据进行加权训练,实现基于实例的联邦迁移学习.使用XGBoost梯度提升树模型实现IS-FTL方法,实验表明,IS-FTL可以提升联邦模型预测精度.(2)针对IS-FTL方法在隐私保护方面的不足,结合树模型隐私保护的要点,提出一种基于差分隐私保护的联邦迁移学习方法(DPFTL).针对隐私泄露问题,使用差分隐私保护...